#Исследования
Подборка материалов по теме «Исследования»: релизы, исследования, бенчмарки, опенсорс.

Дистиллированные диффузионные модели научили забывать нежелательное через DPO
Исследователи адаптировали Direct Preference Optimization под few-step диффузионные модели: удаление личностей и NSFW без повторной дистилляции и потери скорости.

SPLIT-RL учит VLM смотреть и рассуждать раздельно: +1,4–6,1 п.п. к GRPO
Новая схема пост-тренинга SPLIT-RL делит обучение vision-language моделей на фазы восприятия и рассуждения и обгоняет GRPO на 1,4–6,1 пункта на Qwen3-VL и…

Flow matching: velocity scaling снизил FID с 28,0 до 12,2 на ImageNet-256
Авторы arXiv-работы объясняют эффект velocity scaling во flow matching временным лагом популяции, а не занижением скорости. FID на ImageNet-256 упал с 28,0 до 12,2…

SLVR на Qwen2.5-VL-7B прибавил 14,2 пункта на BLINK Relation без текстового CoT

Исследователи доказали, почему состязательное обучение разрежает карты значимости

Дистилляция ECG в PPG запоминала личность: fixed-effects более чем удвоил сигнал состояния

Subliminal learning передал бэкдор через числа: 23,5% ответов по-французски

PXtal обошёл базовые модели на шести тестовых наборах, четыре из них zero-shot
Фреймворк PXtal учит нейросети сопоставлять порошковые рентгенограммы и структуры кристаллов с учётом потери информации. Он лучше базовых моделей на шести тестах.

Nullify стирает знания из LLM без дообучения: векторы в null-пространстве
Метод Nullify заставляет LLM «забывать» приватные данные прямо на инференсе: веса не меняются, а качество забывания на TOFU и MUSE не уступает базовым методам.

CARing учит LLM предсказывать диагнозы: R@30 достиг 46,52% на MIMIC-IV

D-SLR заменяет усечённое SVD за три разложения без настройки параметров

Сети Колмогорова — Арнольда достигли уровня MLP на 40% меньшем числе сэмплов

IKNO для Навье — Стокса точен при поворотах и в 5,6 раза меньше TFN

Temporal Transformer для CAN-шины ловит аномалии без обмена сырыми данными
Исследователи предложили лёгкий трансформер для CAN-шины автомобиля: он ищет аномалии во времени, а федеративное обучение не требует передавать сырой трафик.

Заморозка декодера при сжатии KV-кэша даёт 3x экономии памяти, но не рост точности
Работа на arXiv показывает: при SVD-сжатии KV-кэша дообучение одного энкодера по качеству равно альтернативам, но втрое дешевле по параметрам и памяти оптимизатора.









